LLM与Agent,零基础入门到精通,收藏这篇就够了

41页PPT | 华为业务流程架构全景视图:全业务域L1-L3级流程全案 TBD、收集和生成线索、验证机会点、TBD、管理销售授权、管理销售项目、管理销售项目群、管理合同要素/模板、验证和分发线索、标前引导、管理开票和回款、客户网络评估、管理销售评审、TBD、管理交付项目群、管理合同文档、管理结构化合同信息、跟踪和培育线索、制定并提交标书、管理合同/PO变更、客户网络规划、管理销售决策。:4.1 管理技术、服务请求、4.2管理备件、服务交付、4.3管理非技术、服务请求、4.4管理客户、投诉。:管理Idea、产生Idea、激发兴趣与协作、孵化、原型和验证、确认Idea与商业化。 阅读详情

LLM与Agent

现在是AI的时代,大模型如火如荼,旁边同事张口大模型,闭口Agent,耳朵快磨出老茧了,趁着这股劲儿,也是学习学习大模型的知识吧。

1

什么是大模型

大模型(Large Language Model,LLM)本质上是一个数学模型,核心就是通过海量的数据,基于深度学习训练出来的一个"具有思考能力的"知识大脑。可以理解和生成人类语言,具备一定的推理和创作能力。

优点

理解人类语言+具备思考能力=解放人类的一些简单性的、可替代的工作。

缺点

理解人类意图却无法主动发起事件的触发,换句话说大模型(后续以LLM简称)只能在海量数据训练的基础上进行检索思考总结,并无法执行一些动作。

现在国内外很多大厂基本大模型就是标配,目前市面上比较流行的大模型以及厂家如下,只是列出一部分:

2

什么是Agent

因为LLM不具备执行的能力,所以在LLM的加持下,配合着上下文记忆、工具以及方法(本地/远端)调用,任务规划等等动作,形成一台完整的可闭环的执行链,并且在这个闭环中可以有Agent自行决策也可以加入人类的决策。

agent执行过程:

一个简单的Agent的创建过程,实例代码用python+langchain.

from langchain.agents import create_agent from langchain_openai import ChatOpenAI import dotenv  #加载配置文件dotenv.load_dotenv() llm = ChatOpenAI(          api_key=os.getenv("DASHSCOPE_API_KEY"),          model='qwen3-max',          base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",       temperature=0.9 ) agent = create_agent(        model=llm  )  agent.invoke({"messages": [{"role": "user", "content": "你是谁"}]})

因为LLM是基于一定的数据训练的,所以数据具有一定的时效性,并且对于人类的多变的需求也无法单独靠LLM就可以搞定,所以Agent的可扩展的能力是尤为关键。

记忆能力

LLM是没有记忆能力的,但是在多轮对话的场景下需要记忆能力,以便于更好的分析和给出更加准确的答案。

记忆分为短期记忆(short-term Memory,STM,历史对话等)和长期记忆(long-term Memory,LTM,历史的任务经验等)。

上网能力

LLM的知识是有范围边界的,并且LLM本身没有上网的能力,所以Agent可以结合上网的工具来检索LLM本地知识以外的数据。

本地方法调用/MCP

MCP即Model Context Protocol(模型上下文协议)的缩写,一种AI大模型与外部系统交互的接口协议。比如LLM想查询今天某地的天气预报或者导航信息,LLM自己是无法实现的,可以调用远程的一些服务接口(墨迹天气或者高德地图的接口)来达到目的。这样一来AI大模型也就可以与原先的系统进行很好的融合和接入了。并不会因为引入大模型而摒弃原先的系统。

RAG

RAG 是 Retrieval-Augmented Generation(检索增强生成) 的缩写。如果想搭建某个细小的专业领域的知识库,不希望这部分数据被外界感知,只供内部系统使用,那么则可以搭建一个企业内部RAG知识库,实现数据的隐私性。兵且RAG无需对大模型进行微调,如果数据更新,则只需要对RAG库进行更新即可,在成本方面也是非常友好的。

3

一个多Agent的案例

在任务比较复杂的场景下,单Agent可能无法实现完整的效果,这时候就需要多个Agent来协同完成复杂的任务。一般一个Agent完成单一的工作。

多Agent的场景比单Agent的场景多了决策分类即子任务执行哪个Agent,兵且最后把结果进行汇总反馈的步骤。如果是串行的场景,则上一个Agent的输出是下一个Agent的输入。

举个栗子:

需求描述:实现一个AI客户端,客户端的功能有:1、可以帮我实现规划出行计划;2、基本本地的数据,实现对对联的功能;3、可以利用大模型给我讲一个笑话。(案例参考网络上一个例子)。

实现设计:

利用Agent来实现此功能。可以划分为3部分:1、利用现有的MCP出行计划服务来实现规划的功能;2、利用Embeddibng向量化存储和加载,来实现相似度的检索和模型调用;3、直接利用大模型来实现讲笑话的功能。

涉及到的技术点:

1、LLM

2、Agent

3、Langraph以及图的概念

4、RAG、Embedding

5、MCP

代码太多,只放一些核心实现部分吧。​​​​​​​

# 图的状态class State(TypedDict):    messages: Annotated[list[str], add]    type: str# 超级助手,决策节点    def super_visor_node(state: State):    prompt = """    你是一个非常专业的客服助手,现在需要对用户的问题进行分类并将任务分给其他的Agent执行。        如果用户的问题是和旅游路线规划相关的,那就返回 travel。        如果用户的问题是和讲笑话相关的,那就返回 joke。        如果用户的问题是希望对一个对联,那就返回 couple。        如果是其他问题,那就返回other。        除了上述几个选项之外,不要返回其他额外的内容。    """    prompts = [        {"role": "system", "content": prompt},        {"role": "user", "content": state["messages"][0]}    ]    # 如果属性中有type,说明是返回的,直接结束即可    if "type" in state:        writer({"super_visor_step": f"以获得结果结果:{state['type']}"})        return {"type": END}    else:        response = llm.invoke(prompts)        type_res = response.content        writer({"super_visor_step": f"问题分类的结果:{type_res}"})        if type_res in legal_nodes:            return {"type": type_res}        else:            raise ValueError("type is not in ('travel', 'joke', 'couple', 'other','super_visor')")def travel_node(state: State):
    prompt = """        你是一个非常专业的旅行助手,根据用户的需求规划出比较完美的出行计划,请用中文回答。        字数不超过200字。        """    prompts = [        {"role": "system", "content": prompt},        {"role": "user", "content": state["messages"][0]}    ]    # os.environ["TAVILY_API_KEY"] = os.getenv("TAVILY_API_KEY")    # https://docs.tavily.com/documentation/integrations/langchain    # tavily第三方免费的MCP服务    search = TavilySearch(        tavily_api_key='api_key',        max_results=5    )    search_tool = Tool(        func=search.run,        name="search",        description="互联网搜索引擎"    )    agent = create_react_agent(        model=llm,        tools=[search_tool]    )    res = agent.invoke({"messages": prompts})    return {"messages": [AIMessage(content=res["messages"][-1].content)], "type": "travel"}def joke_node(state: State):    joke_prompt = """        你是一个非常专业的笑话大师,现在根据用户的信息将一个字数在200字以内的笑话。        """    joke_prompts = [        {"role": "system", "content": joke_prompt},        {"role": "user", "content": state["messages"][0]}    ]    joke_res = llm.invoke(joke_prompts)    return {"messages": [joke_res], "type": "joke"}def couple_node(state: State):    query = state["messages"][0]    prompt_template = ChatPromptTemplate.from_messages([        ("system","""        你是一个专业的对联大师,现在需要你根据用户给出的上联,对出下联。        回答时可以参考下述的参考对联。            参考对联:{sample}            请用中文回答        """),        ("user","{text}"),    ])    samples = couplet_rag(query)    couplet_prompt = prompt_template.invoke({"sample":samples,"text":query})    couplet_res = llm.invoke(couplet_prompt)    return {"messages": [couplet_res], "type": "couple"}def other_node(state: State):    return {"messages": [HumanMessage(content="暂时我还无法回答您的问题呢,要不换个问题再试试吧~")], "type": "other"}# 构建图builder = StateGraph(State)# 添加节点,即各个子模块任务builder.add_node("super_visor_node", super_visor_node)  #builder.add_node("travel_node", travel_node)  # 旅游助手builder.add_node("joke_node", joke_node)  # 写玩笑助手builder.add_node("couple_node", couple_node)  # 对对联助手builder.add_node("other_node", other_node)  # 其他# 条件边选择def routing_fun(state: State):    route_type = state["type"]    if route_type == "super_visor":        return "super_visor_node"    elif route_type == "travel":        return "travel_node"    elif route_type == "joke":        return "joke_node"    elif route_type == "couple":        return "couple_node"    elif route_type == END:        return END    else:        return "other_node"# 添加边builder.add_edge(START, "super_visor_node")builder.add_conditional_edges("super_visor_node",                              routing_fun,                              ["travel_node", "joke_node", "couple_node", "other_node", END])# 各个模块处理完交给super_visor_node处理builder.add_edge("travel_node", "super_visor_node")builder.add_edge("joke_node", "super_visor_node")builder.add_edge("couple_node", "super_visor_node")builder.add_edge("other_node", "super_visor_node")# 构建graphcp = InMemorySaver()graph = builder.compile(checkpointer=cp)# RAG数据加载#... 此处省去一万字,展示关键部分embedding_model = DashScopeEmbeddings(model='text-embedding-v4')vector_store = InMemoryVectorStore(embedding_model)#...省去  读取本地文件数据,即参考文件vector_store.add_texts(batch_texts)#...# 相似度检索res_doc = vector_store.similarity_search_with_score(query, k=10)    

将上述代码画成图即如下所示:

png_bytes = graph.get_graph().draw_mermaid_png(background_color="white")# 保存到文件with open('graph_output.png', 'wb') as f:    f.write(png_bytes)print("图片已保存为 graph_output.png")

对于像这种需要多个任务或者多个环节的任务,可以利用Langraph的图的概念来实现完成,串成一整个任务,然后根据一些特定的条件来做执行策略。

如何抢占先机,拥抱 Agent?

从0到1!大模型(LLM)最全学习路线图,建议收藏!

想入门大模型(LLM)却不知道从哪开始? 我根据最新的技术栈和我自己的经历&理解,帮大家整理了一份LLM学习路线图,涵盖从理论基础到落地应用的全流程!拒绝焦虑,按图索骥~~

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

因篇幅有限,仅展示部分资料,需要点击下方链接即可前往获取

用python画年度和月度的日历图 用python画各种日历图,可以区分月份来画也可以画一整年的,日历图中可以体现自己的信息 阅读详情

相关推荐

Oracle ERP EBS R12 GL总帐业务方案 系统操作

本文档是Oracle ERP系统的总账管理模块使用手册,主要包含以下内容:1.系统架构设计,详细介绍多组织架构、会计科目设置等核心概念;2.总账日常操作流程,包括凭证录入、审核、过账等全流程管理;3.特殊业务处理,涵盖预算控制、内部往来、合并报表等专项功能;4.期末处理,说明月结、年结的操作步骤;5.系统设置指南,提供会计科目表、权限控制等配置说明;6.附录包含各业务模块的分录示例和系统操作图标说明。本手册适用于财务人员学习和使用Oracle ERP总账系统,重点讲解系统功能要点和实操步骤。

anpeng2019的博客 1889

AI大模型基于LLM的Agent架构图解,零基础入门到精通,收藏这篇就够了

Agent是什么?Agent是一种能够自主决策、采取行动以达到某种目标的实体。AI Agent的确定义:基于人工智能(尤其是大模型)技术,能够感知和理解环境,并采取行动以完成目标的智能实体。Agent能干什么?AI Agent 主要依托LLM模型和具体的业务场景来调用相应的工具来完成任务目标,智能化程度和行业贴合度会更明显。典型案例有什么?智能核保应用,如果解决方案搭载AI Agent能力,Agent具体工作:1)能自动识别业务需求,调用OCR信息抽取和结构化管理;2)构建核保决策模型;3)联合出保及费率管

Javachichi的博客 1269

一文讲透 .claude/ 文件夹:Claude Code 团队配置指南和最佳实践

本文系统梳理了ClaudeCode配置框架,旨在解决实际落地中的常见困惑。文章从五层作用域体系(组织策略、命令行参数、本地覆盖、项目级、用户级)切入,详细解析了CLAUDE.md、rules、skills、agents等核心组件的定位与配合关系。重点强调了"确定性规则"与"概率性建议"的分层设计:权限控制和安全边界应通过settings.json和hooks实现,而工作约定和编码规范适合放在CLAUDE.md。文中提供了可直接套用的最小配置方案,并总结了10大常见踩坑

981

2025版最新如何构建大模型代理 LLM Agent?零基础入门到精通,收藏这篇就够了

LLM Agent是一个程序,其执行逻辑由底层模型控制。与少样本提示(few-shot prompting)或固定工作流等方法相比,LLM Agent的特别之处在于它能够定义并适应执行用户查询所需的步骤。借助一组工具(如代码执行或网络搜索)的支持,代理可以决定使用哪个工具、如何使用该工具,并根据输出结果进行迭代。这种适应性使得系统能够以最小的配置处理多种使用场景。LLM Agent架构存在一个从固定工作流的可靠性到自主代理灵活性的演进方向。

Python_0011的博客 1968

足球大数据分析入门:从赔率到预测的完整流程(附数据集)

本文提供了一份足球大数据分析的完整实战指南,涵盖从数据采集、清洗、特征工程到模型构建与评估的全流程。文章详细介绍了如何利用公开数据集与API获取数据,并通过逻辑回归、随机森林等模型进行比赛结果预测,最后强调了模型评估与策略回测的重要性,帮助读者构建自己的分析框架。

r7s8t的博客 411

【Python机器学习实战】 | 基于PCA主成分分析技术读入空气质量监测数据进行数据预处理并计算空气质量综合评测结果

主成分分析(Principal Component Analysis, PCA)是一种常用的机器学习和数据分析技术,用于降低数据维度、识别数据中的模式、发现变量之间的关系等。

一伦明悦的博客 1264

基于大模型(LLM)的Agent 应用开发,零基础入门到精通,收藏这篇就够了

这里的Agent 指的是智能体,可以追溯到明斯基的《society of mind》一书。在那本书中,明斯基对Agent的定义有点抽象——“社会中某个个体经过协商后可求得问题的解,这个个体就是agent”。在计算机领域,agent是一种通过传感器感知其环境,并通过执行器作用于该环境的实体,因此,可以把实体定义为一种从感知序列到实体动作的映射。一般认为,Agent是指驻留在某一环境下,能持续自主地发挥作用,具备自主性、反应性、社会性、主动性等特征的计算实体。智能,是Agent 与环境相互作用的涌现属性。

Javachichi的博客 524

围绕国产化操作系统以及人大金仓地理空间库的GIS的解决方案,含超详细部署步骤以及与QGIS,GeoServer,PostGlS Shapefile lmport/Export Manager的连接步骤

人大金仓软件 2.1软件的下载以及授权的相关文件插件 2.2上传至虚拟机 2.3KingbaseES V8R6数据库部署过程 2.3.1创建安装用户 2.3.2赋权 2.3.3.创建安装目录且赋权 2.3.4 准备挂载 2.4kingbase安装方法 2.7postgis安装 3 人大金仓数据库与QGIS的连接 4 人大金仓数据库与PostGlS Shapefile lmport/Export Manager的连接 5 人大金仓数据库与geoserver的连接

挣钱花388的博客 2592

什么是Agent?(非常详细)零基础入门到精通,收藏这篇就够了

几天前,拥有25个Agent的AI小镇正式开源,「西部世界」AI Town随之构筑,AI Agents之间的互动,将演绎出整个文明的演化进程。OpenAI联合创始人Andrej Karpathy也高呼:“AI Agent代表着一个疯狂的未来。什么是Agent?Agent一词起源于拉丁语中的Agere,意思是“to do”。在LLM语境下,Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体。Agent并非ChatGPT升级版,它不仅告诉你“如何做”,更会帮你去做。

Libra1313的博客 5503

大厂面经:大疆嵌入式面试题及参考答案(4万字长文:持续更新)

目录 Linux 系统调用的过程,中间发生了什么? 表格总结 Linux 中断流程,谈谈你对中断上下文的理解 中断流程 中断上下文理解 Linuxschedule()函数的原理和调用的时机 schedule()函数原理 调用时机 页表实现机制,分页的缺点? 页表机制 分页的缺点 介绍操作系统的多级反馈调度策略,时间片轮转,在项目中如何指定优先级来调度进程完成快速响应(nice命令) 多级反馈队列调度 时间片轮转 使用nice命令 聊内存分配,进程内存分配,段页式存

大模型大数据攻城狮的专栏 4172

YOLO26 实例分割技术:Mask 分支与特征融合

YOLO26实例分割技术研究摘要:本文提出了一种基于YOLO架构的高效实例分割方法,通过创新设计Mask分支和特征融合策略解决像素级分割精度、多尺度目标处理等挑战。系统采用共享Backbone提取特征,检测分支输出边界框和类别,Mask分支生成原型Mask和组合系数。核心创新包括:1)原型Mask生成与线性组合机制;2)检测与Mask特征共享;3)结合BCE和Dice的多任务损失函数。实验表明该方法在保持实时性的同时实现了高质量分割,为轻量级实例分割提供了新思路。

一键难忘的博客 251

【2025版】分享6篇最新LLM Agent研究成果,从零基础到精通,精通收藏这篇就够了!_2025agent最新论文

更多干货,第一时间送达。

wananxuexihu的博客 4182

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

一文搞懂大模型 Agent,零基础入门到精通,收藏这篇就够了

大模型 Agent 是基于 LLM 构建的智能体自主性:无需人工干预即可完成复杂任务(如自动生成财报分析报告)目标导向:通过任务分解和动态规划实现预设目标(如制定旅行计划)工具协同:可调用 API、数据库等外部资源扩展能力边界(如查询实时天气)初代阶段(2023 前):基于规则的简单问答系统过渡阶段(2023-2024):LLM + 单一场景工具集成(如 ChatGPT 插件)智能阶段(2024 后):多工具协同 + 自主决策(如 Auto-GPT)

Javachichi的博客 1422

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册,内含HL7和ASTM)

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

LLM模型在运维领域的应用,零基础入门到精通,收藏这篇就够了

在云计算的世界里,系统变得越来越复杂,随之而来的是故障发生的频率也在增加。当故障发生时,我们需要运维工程师能够迅速地找出问题所在,并解决它,以减少对用户的影响。这就是所谓的故障根因分析,它是运维工作中至关重要的一环。这篇文章纯粹YY,并没有经过完整的实际测试(目前正在调)。在这里就抛砖引玉了,希望大家拍砖。这两年,IT行业面临经济周期波动与AI产业结构调整的双重压力,确实有很多运维与网络工程师因企业缩编或技术迭代而暂时失业。很多人都在提运维网工失业后就只能去。

Python_0011的博客 1839

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

什么是Agent?零基础入门到精通,收藏这篇就够了

几天前,拥有25个Agent的AI小镇正式开源,「西部世界」AI Town随之构筑,AI Agents之间的互动,将演绎出整个文明的演化进程。OpenAI联合创始人Andrej Karpathy也高呼:“AI Agent代表着一个疯狂的未来。什么是Agent?Agent一词起源于拉丁语中的Agere,意思是“to do”。在LLM语境下,Agent可以理解为在某种能自主理解、规划决策、执行复杂任务的智能体。Agent并非ChatGPT升级版,它不仅告诉你“如何做”,更会帮你去做。

Javachichi的博客 3133

【2025版】分享6篇最新LLM Agent研究成果,从零基础到精通,精通收藏这篇就够了!

随着对大模型的深入研究,人们逐步开始回溯大语言模型的能力。最近,Google的一篇文章重新审视了大模型的能力,指出大模型规划并不能模拟人类思维,因为人类在做规划时需要提前在头脑中进行细致的想象、策划和回溯,而大模型生成只是执行了对下一个Token的预测任务。

Python_0011的博客 1868

【2025版】最新Dify入门教程,零基础入门到精通,收藏这篇就够了

官方中文地址:Dify.AI · 生成式 AI 应用创新引擎产品简介 - Dify Docs开源的 LLM 应用开发平台。提供从 Agent 构建到 AI workflow 编排、RAG 检索、模型管理等能力,轻松构建和运营生成式 AI 原生应用。比 LangChain 更易用。Dify提供的有2个版本,分别是:社区版商业版对于我们来说我们使用社区版本就可以了,因为我们最终还是需要把Dify部署到我们的本地来使用的。官方提供的工具在某些场景下并不能满足我们的需求。

leah126的博客 2万+

一文彻底搞懂大模型 - Agent(智能体)从零基础到精通,看这篇就够了,赶紧收藏!!!

大模型Agent是一种构建于大型语言模型(LLM)之上的智能体,它具备环境感知能力、自主理解、决策制定及执行行动的能力。

python1234_的博客 1483

AI Agent 智能体全景技术架构体系剖析,零基础入门到精通,收藏这篇就够了!

上述这张图是 AI Agent 智能体平台的技术堆栈,分成多个模块,各自有不同的功能和角色。提供平台和 API 用于托管和运行 AI 智能体,比如:LangGraph、Letta、Amazon Bedrock Agents 等。这些服务帮助开发者更方便地部署和管理 AI 模型。它的发展方向将 Agent 作为服务部署到基础设施,并通过 REST API 访问,挑战在于状态管理、安全工具执行等,这一层面的发展将使 AI Agent 更容易集成到各类应用中,从而推动其广泛应用。

2401_85373898的博客 2672

深度剖析大模型Agent框架,零基础入门到精通,收藏这篇就够了

Agent 框架代表着人工智能系统设计模式的重大转变。与依赖静态、预定义工作流程的传统 AI 应用程序不同,Agent 框架引入了动态自适应系统,该系统具备自主感知、推理和行动的能力。这些框架可以把复杂任务拆解成多个小子任务,交给专门的 Agent 协作完成,以实现更宏大的目标。借助大型语言模型(LLM),Agent 框架能够管理工作流程、做出决策,还能无缝集成各种工具,这使得它成为动态决策、实时问题解决等高级应用的理想之选。

Python_0011的博客 2743

【万字长文】LLM大模型技术原理深度解析,零基础入门到精通,收藏这篇就够了

本文尽量用最简单的方式, 帮读者理解 LLM, Transformer, Prompt, Function calling, MCP, Agent, A2A 等这些基本概念. 表述时不追求绝对准确, 尽量通俗易懂. 部分内容有个人理解的成份, 内容难免疏漏, 欢迎指正.

优快云_430422的博客 838

怎么构建Agent?Agent教程入门到精通,收藏这一篇就够了

本文简要介绍了如何利用 AI Agent 有效完成高级任务,而不是让一个大语言模型单打独斗。

Python_paipai的博客 1483

2025版最新一文彻底搞懂大模型 - Agent(非常详细)零基础入门到精通,收藏这篇就够了

*

Python_0011的博客 1776

大模型核心计算全景解析:LLM、ChatGPT、RAG、Agent与MCP,大模型入门到精通,收藏这篇就足够了!

我们将从LLM的基础概念入手,逐步剖析ChatGPT作为对话机器人的独特价值,进一步讲解检索增强生成(RAG)如何解决LLM的知识滞后问题,分析智能体(Agent)如何整合多种技术实现自主决策,最后介绍模型上下文协议(MCP)如何标准化AI与外部工具的交互。

DEVELOPERAA的博客 1397

【2025必学】AI Agent从入门到精通,收藏这篇就够了

AI Agent是AI的升级版,使用门槛低,功能强大,能独立思考、拆解任务并调用工具完成目标。其核心构成为大模型(LLM)+规划+记忆+工具。尽管面临数据获取、多工具协同、信任和责任归属等挑战,但AI Agent将快速发展,重塑各行业和岗位,为每个人提供弯道超车的机会。当下学习和掌握AI Agent已成为必要技能。

star_nwe的博客 911

【2025】最适合小白入门的AI Agent(智能体)科普,从零基础到精通,精通收藏这篇就够了!

AI Agent 并不是一个新兴的概念,早在多年前就已在人工智能领域有了研究。在《人工智能:现代方法(第4版)》一书中,作者表示: > 任何通过传感器(sensor)感知环境(environment)并通过执行器(actuator)作用于该环境的事物都可以被视为智能体(agent)。

leah126的博客 1900
上一篇: 一文说清楚Agent,零基础入门到精通,收藏这篇就够了
下一篇: 大模型如何获得Agent能力
程序员_大白
博客等级 码龄5年 1万+粉丝 4001原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值